How can robots determine their state and properties of the surrounding environment from noisy sensor measurements in time? In this module you will learn how to get robots to incorporate uncertainty into estimating and learning from a dynamic and changing world. Specific topics that will be covered include probabilistic generative models, Bayesian filtering for localization and mapping.
Этот курс входит в специализацию ''Специализация Робототехника'
Robotics: Estimation and Learning
от партнера
Об этом курсе
Недавно просмотрено: 15,027
Карьерные результаты учащихся
40%
начал новую карьеру, пройдя эти курсы
43%
получил значимые преимущества в карьере благодаря этому курсу
20%
стал больше зарабатывать или получил повышение
Приобретаемые навыки
Particle FilterEstimationMapping
Карьерные результаты учащихся
40%
начал новую карьеру, пройдя эти курсы
43%
получил значимые преимущества в карьере благодаря этому курсу
20%
стал больше зарабатывать или получил повышение
Сертификат, ссылками на который можно делиться с другими людьми
Получите сертификат по завершении
100% онлайн
Начните сейчас и учитесь по собственному графику.
Курс 5 из 6 в программе
Гибкие сроки
Назначьте сроки сдачи в соответствии со своим графиком.
Прибл. 12 часа на выполнение
Предполагаемая нагрузка: 4 weeks of study, 3-4 hours/week
Английский
Субтитры: Английский, Испанский, Китайский (упрощенное письмо)
Программа курса: что вы изучите
4 ч. на завершение
Gaussian Model Learning
We will learn about the Gaussian distribution for parametric modeling in robotics. The Gaussian distribution is the most widely used continuous distribution and provides a useful way to estimate uncertainty and predict in the world. We will start by discussing the one-dimensional Gaussian distribution, and then move on to the multivariate Gaussian distribution. Finally, we will extend the concept to models that use Mixtures of Gaussians.
4 ч. на завершение
9 видео ((всего 52 мин.)), 3 материалов для самостоятельного изучения, 1 тест
9 видео
WEEK 1 Introduction1мин
1.2.1. 1D Gaussian Distribution8мин
1.2.2. Maximum Likelihood Estimate (MLE)6мин
1.3.1. Multivariate Gaussian Distribution7мин
1.3.2. MLE of Multivariate Gaussian4мин
1.4.1. Gaussian Mixture Model (GMM)4мин
1.4.2. GMM Parameter Estimation via EM7мин
1.4.3. Expectation-Maximization (EM)6мин
3 материала для самостоятельного изучения
MATLAB Tutorial - Getting Started with MATLAB10мин
Setting Up your MATLAB Environment10мин
Basic Probability10мин
3 ч. на завершение
Bayesian Estimation - Target Tracking
We will learn about the Gaussian distribution for tracking a dynamical system. We will start by discussing the dynamical systems and their impact on probability distributions. This linear Kalman filter system will be described in detail, and, in addition, non-linear filtering systems will be explored.
3 ч. на завершение
5 видео ((всего 21 мин.))
5 видео
Kalman Filter Motivation4мин
System and Measurement Models5мин
Maximum-A-Posterior Estimation4мин
Extended Kalman Filter and Unscented Kalman Filter4мин
4 ч. на завершение
Mapping
We will learn about robotic mapping. Specifically, our goal of this week is to understand a mapping algorithm called Occupancy Grid Mapping based on range measurements. Later in the week, we introduce 3D mapping as well.
4 ч. на завершение
6 видео ((всего 36 мин.))
6 видео
Introduction to Mapping7мин
3.2.1. Occupancy Grid Map6мин
3.2.2. Log-odd Update6мин
3.2.3. Handling Range Sensor6мин
Introduction to 3D Mapping8мин
3 ч. на завершение
Bayesian Estimation - Localization
We will learn about robotic localization. Specifically, our goal of this week is to understand a how range measurements, coupled with odometer readings, can place a robot on a map. Later in the week, we introduce 3D localization as well.
3 ч. на завершение
6 видео ((всего 23 мин.))
6 видео
Odometry Modeling5мин
Map Registration5мин
Particle Filter4мин
Iterative Closest Point5мин
Closing45
4.3
Рецензии: 97Лучшие отзывы о курсе Robotics: Estimation and Learning
Leanring of mechanism and implementation of Kalman filter and particle filter from experiment is very interesting for me. And these method let me know more about map building in SLAM framework.
The material is clearly presented. The Matlab exercises complement and reinforce the subject, the level of difficulty is well balanced, thanks for this great course.
О Пенсильванский университет
The University of Pennsylvania (commonly referred to as Penn) is a private university, located in Philadelphia, Pennsylvania, United States. A member of the Ivy League, Penn is the fourth-oldest institution of higher education in the United States, and considers itself to be the first university in the United States with both undergraduate and graduate studies.
Специализация Робототехника: общие сведения
The Introduction to Robotics Specialization introduces you to the concepts of robot flight and movement, how robots perceive their environment, and how they adjust their movements to avoid obstacles, navigate difficult terrains and accomplish complex tasks such as construction and disaster recovery. You will be exposed to real world examples of how robots have been applied in disaster situations, how they have made advances in human health care and what their future capabilities will be. The courses build towards a capstone in which you will learn how to program a robot to perform a variety of movements such as flying and grasping objects.
Часто задаваемые вопросы
Когда я получу доступ к лекциям и заданиям?
Зарегистрировавшись на сертификацию, вы получите доступ ко всем видео, тестам и заданиям по программированию (если они предусмотрены). Задания по взаимной оценке сокурсниками можно сдавать и проверять только после начала сессии. Если вы проходите курс без оплаты, некоторые задания могут быть недоступны.
Что я получу, оформив подписку на специализацию?
Записавшись на курс, вы получите доступ ко всем курсам в специализации, а также возможность получить сертификат о его прохождении. После успешного прохождения курса на странице ваших достижений появится электронный сертификат. Оттуда его можно распечатать или прикрепить к профилю LinkedIn. Просто ознакомиться с содержанием курса можно бесплатно.
Какие правила возврата средств?
Можно ли получить финансовую помощь?
Остались вопросы? Посетите Центр поддержки учащихся.